CN113469966A - 一种基于防松线识别的列车螺栓松动检测方法 - Google Patents

Abstract

本发明公开了一种基于防松线识别的列车螺栓松动检测方法，包括如下步骤：采集列车螺栓部件的图像；对采集的图像进行色域空间变换；对图像中红色像素区域进行提取；对提取后的图像进行图像闭运算处理；对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小；对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓有两条防松线矩形的，则通过判断两个矩形的角度差值与阈值，来判断螺栓是否松动；根据判断结果在原图中标识出结果。本方法利用图像处理算法基于螺栓图像对防松线进行提取、识别，从而进行螺栓松动的检测。对于列车质检员来说，可以有效的减轻繁重的质检工作和提升质检效率、准确率。

Description

一种基于防松线识别的列车螺栓松动检测方法

技术领域

本发明涉及图像处理和螺栓检测技术领域，具体涉及一种基于防松线识别的列车螺栓松动检测方法。

背景技术

随着我国经济的快速发展，我国的道路交通也得到了飞速发展。列车的维护检修是一项需要大量人力物力的工作。目前在列车维护检修上，绝大多数情况下仍在使用传统的人工检测手段，由于工作环境恶劣、列车数量众多，人工检测的方法效率低下且可靠性差，很容易导致列车质量问题频出，影响列车安全运行。

目前，常规方法是对所有紧固件进行人工巡检，采用扳手逐一对紧固件进行检测，但是这种人工检测方式，需要耗费大量的人力和物力。为实现紧固件状态的在线监测，专利CN201210311363.8公开了《螺栓螺母紧固件的松动检测装置》，在螺母上附加齿轮，当螺母松动时，带动齿轮旋转，再利用传感器测量齿轮旋转量，用于判定螺母松动。该方法，需要在每一个螺母上安装检测装置，成本高，施工难度大。专利CN201510794214.5公开了《一种智能屋面紧固件松动检测管理系统及其检测管理方法》，采用位移传感器测量螺帽松动时高度变化值用螺栓松动检测和告警。该方法，需要在每一个紧固件上安装检测装置，还需要对检测装置供电，成本高，施工难度大。

螺栓是被广泛应用于铁路、车辆、桥梁、工程设备等领域的常用紧固件，在使用过程中由于受振动、腐蚀和冲击等因素的影响，很容易引起螺纹式紧固件的松动、变形、断裂或脱落，从而引起设备故障，甚至重大事故。所以，对螺栓的松动检查一直是工程设备检查维护的重要项目。

近年来，随着图像处理技术的发展，其在各个行业得到了广泛的应用。因此亟需一种利用图像处理用来检测螺栓松动情况的方法，减轻繁重的质检工作和提升质检效率、准确率。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于防松线识别的列车螺栓松动检测方法，利用图像处理算法基于螺栓图像对防松线进行提取、识别，从而进行螺栓松动的检测，对于列车质检员来说，可以有效的减轻繁重的质检工作和提升质检效率、准确率，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于防松线识别的列车螺栓松动检测方法，包括如下步骤：

S1、采集列车螺栓部件的图像；

S2、对采集的图像进行色域空间变换；

S3、对图像中红色像素区域进行提取；

S4、对提取后的图像进行图像闭运算处理；

S5、对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小；

S6、对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓有两条防松线矩形的，则通过判断两个矩形的角度差值与阈值，来判断螺栓是否松动；

S7、根据判断结果在原图中标识出结果。

优选的，所述步骤S2中的对采集的图像进行色域空间变换具体是变换为HSV色域；所述HSV色域包括色调H、饱和度S、明度V，HSV色域下能准确的提取图像中红色像素部分。

优选的，所述步骤S3中对图像中红色像素区域进行提取包括：通过设置红色像素在HSV色域下的高低阈值，从而提取图像的红色部分。

优选的，所述通过步骤S3颜色提取后的图像只有红、黑两种颜色；黑色部分为背景，红色部分为防松线。

优选的，所述步骤S4中的闭运算处理包括图像膨胀和图像腐蚀；所述的图像膨胀能对红色区域的小黑洞进行填补，保证红色区域的完整性；所述图像腐蚀可以对红色区域的边缘进行修整，修整还原到原来的大小，不改变防松线的大小和粗细。

优选的，所述步骤S5中的对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小具体包括：

S51、首先求每个完整红色区域的外轮廓线；

S52、根据轮廓所包含的面积，对图像进行滤波，对轮廓过小的红色区域进行剔除，视为噪点；

S53、对保留的红色区域进行最小外接矩形的求取，用4个顶点坐标表示；

S54、对每一个矩形进行绘制，用以表示防松线的形状、位置、大小。

优选的，所述步骤S54中对每一个矩形进行绘制还包括将矩形的旋转角度也标示在矩形的边上。

优选的，所述在步骤S6中，对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，所述的分组归类具体是采用矩形中心点的距离判断，距离相近的分为一组，确定属于同一螺栓的防松线。

优选的，所述步骤S6的判断螺栓是否松动的判断标准是：如果两个矩形的角度差值大于阈值，则判断为松动螺栓，反之为正常螺栓。

优选的，所述步骤S6还包括，对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓只有一条防松线矩形的，判断为正常螺栓。

本发明的有益效果是：本发明方法能够有效解决列车螺栓部件松动的检测问题，本发明避开了利用神经网络或深度学习的方法，降低了计算成本、提高了检测效率，本发明无需利用模板或其他对比图像，直接对螺栓图像进行检测就能取得很好的效果，本发明方法可同时检测多个螺栓，明显提升检测效率，研究表明，本发明方法在实施成本和检测准确率上都有比较良好的表现。本方法利用图像处理算法基于螺栓图像对防松线进行提取、识别，从而进行螺栓松动的检测。对于列车质检员来说，可以有效的减轻繁重的质检工作和提升质检效率、准确率。

附图说明

图1为本发明方法流程示意图；

图2为本发明实施例螺栓部件实物示意图；

图3为本发明实施例红色色素提取后图像示意图；

图4为本发明实施例对红色提取图像进行闭运算后的图像示意图；

图5为本发明实施例对防松线取外接矩形后的图像示意图；

图6为本发明实施例检测结果展示图像示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图6，本发明提供一种技术方案：一种基于防松线识别的列车螺栓松动检测方法，流程如图1所示，包括如下步骤：

步骤1、采集列车螺栓部件的图像

利用彩色相机采集列车部件的螺栓图像，采集列车螺栓部件的图像，如图2所示，采集图像可包含多个螺栓或不同部件的螺栓等，图像采集设备为智能手机，分辨率：4000×3000，拍摄距离：30-40cm。

步骤2、对采集的图像进行色域空间变换

用OpenCV函数cv2.cvtcolor将图像的色域变换为HSV色域，HSV色域包括色调H、饱和度S、明度V，该色域下能更为准确的提取图像中红色部分。

步骤3、对图像中红色像素区域进行提取

首先设置红色像素在HSV色域下的高低阈值，在本发明的一个实施例中，低阈值设置为[160,143,46]，高阈值设置为[179,220,255]，然后利用cv2.inRange函数将HSV值处于阈值之间的像素涂白，其余涂黑，最后把处理过的图像和原图像做与运算，从而提取图像的红色部分，提取红色像素后的结果如图3所示。

进一步的，通过颜色提取后的图像只有红、黑两种颜色，红色部分为防松线，黑色部分为其他背景。

步骤4、对提取后的图像进行图像闭运算处理

对红色像素提取后的图像进行图像闭运算处理，闭运算包括图像膨胀和图像腐蚀，由于像素的提取有一定的不完整性，红色部分也就是防松线部分会有小黑洞，通过图像膨胀能对红色区域的小黑洞进行填补，从而保证红色区域的完整性以便接下来的处理；膨胀完成后紧接着的腐蚀运算可以对红色区域的边缘进行修整，使其还原到原来的大小，不改变防松线总体的大小和粗细。处理后的结果如图4所示。

步骤5、对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小

5.1对每一块完整的红色区域求其轮廓(外轮廓线)；

5.2根据轮廓所包含的面积，也就是像素点个数，对图像进行滤波，剔除红色区域过小的轮廓，视为噪点，不参与接下来的处理；

5.3对保留的每一条轮廓求其最小外接矩形，以此来表示防松线，用4个顶点坐标表示；

5.4对每一个矩形进行绘制，用以表达防松线的形状、位置、大小。

还包括，对每个矩形求其相对画面的旋转角度，角度计算方式为由x轴逆时针旋转至矩形宽边的角度，将角度标在矩形边上。处理后的结果如图5所示。

步骤6、对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓有两条防松线矩形的，则通过判断两个矩形的角度差值与阈值，来判断螺栓是否松动

正常的螺栓检测到的防松线往往只有1条，而螺栓松动后，防松线会由1条变为2条，正常螺栓的防松线因为拍摄角度问题也有可能被识别为2条。

所以，先对步骤5得到的防松线矩形进行分组归类用以确定属于同一螺栓的防松线，分组方法采用矩形中心点的距离判断，设定一阈值，在本发明的一个实施例中设置为200像素，在实际工程中可根据需要调整，一般可为图像长或宽的5％，把距离低于阈值(距离相近)的分为一组，确定属于同一螺栓的防松线。

然后，对于每一组防松线矩形(同一螺栓的防松线矩形)，如果只有一条，则判断为正常螺栓；如果有两条，则通过计算矩形相对图像的旋转角度，角度计算方式为由x轴逆时针旋转至矩形宽边的角度，比较两个矩形的角度差别，设定相关阈值，通过两者角度的差值和根据设定的阈值进行判断，大于阈值则判断为松动螺栓，反之为正常螺栓。实际工程中的阈值可以根据要求确定，本实施例中设置为15°。

S7、根据判断结果在原图中标识出结果，根据相应坐标在原图中框出相应螺栓，并用实线框表示正常螺栓，虚线框表示松动螺栓，如图6所示。

本方法利用图像处理算法基于螺栓图像对防松线进行提取、识别，从而进行螺栓松动的检测。对于列车质检员来说，可以有效的减轻繁重的质检工作和提升质检效率、准确率。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于防松线识别的列车螺栓松动检测方法，其特征在于，包括如下步骤：

S1、采集列车螺栓部件的图像；

S2、对采集的图像进行色域空间变换；

S3、对图像中红色像素区域进行提取；

S4、对提取后的图像进行图像闭运算处理；

S5、对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小；

S6、对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓有两条防松线矩形的，则通过判断两个矩形的角度差值与阈值，来判断螺栓是否松动；

S7、根据判断结果在原图中标识出结果。

2.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S2中的对采集的图像进行色域空间变换具体是变换为HSV色域；所述HSV色域包括色调H、饱和度S、明度V，HSV色域下能准确的提取图像中红色像素部分。

3.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S3中对图像中红色像素区域进行提取包括：通过设置红色像素在HSV色域下的高低阈值，从而提取图像的红色部分。

4.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述通过步骤S3颜色提取后的图像只有红、黑两种颜色；黑色部分为背景，红色部分为防松线。

5.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S4中的闭运算处理包括图像膨胀和图像腐蚀；所述的图像膨胀能对红色区域的小黑洞进行填补，保证红色区域的完整性；所述图像腐蚀可以对红色区域的边缘进行修整，修整还原到原来的大小，不改变防松线的大小和粗细。

6.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S5中的对每一块红色区域求取其最小外接矩形，绘制矩形用来代表防松线的形状、位置和大小具体包括：

S51、首先求每个完整红色区域的外轮廓线；

S52、根据轮廓所包含的面积，对图像进行滤波，对轮廓过小的红色区域进行剔除，视为噪点；

S53、对保留的红色区域进行最小外接矩形的求取，用4个顶点坐标表示；

S54、对每一个矩形进行绘制，用以表示防松线的形状、位置、大小。

7.根据权利要求6所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S54中对每一个矩形进行绘制还包括将矩形的旋转角度也标示在矩形的边上。

8.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述在步骤S6中，对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，所述的分组归类具体是采用矩形中心点的距离判断，距离相近的分为一组，确定属于同一螺栓的防松线。

9.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S6的判断螺栓是否松动的判断标准是：如果两个矩形的角度差值大于阈值，则判断为松动螺栓，反之为正常螺栓。

10.根据权利要求1所述的基于防松线识别的列车螺栓松动检测方法，其特征在于：所述步骤S6还包括，对得到的防松线矩形进行分组归类确定属于同一螺栓的防松线，对同一螺栓只有一条防松线矩形的，判断为正常螺栓。

Images